Labor Day is voorbij.
Het is dag 86 van mijn doorlopende Nextdoor-casestudy, en nadat ik me gisteren afvroeg of Nextdoor een lang weekend had genomen, heb ik het vandaag nog eens gecontroleerd.
Ik heb nog geen reactie ontvangen met betrekking tot de twee gedetailleerde Insights-onderzoeken die ik heb aangevraagd.
En NXDR?
Op het moment van schrijven schommelt de koers rond de $2,20. Marktbronnen gaven aan het einde van de middag een koers van ongeveer $2,24 aan, na de slotkoers van $2,24 van vrijdag. De exacte koers is dus nog aan het veranderen terwijl ik dit schrijf.
Nou ja, in ieder geval hebben we het nu over centen.
Werkt Nextdoor naar behoren?
Ik probeer dat nog steeds te begrijpen.
Maar iets wat Nirav Tolia op 3 september op X plaatste, trok mijn aandacht.
“Uit een onderzoek uit 2025 bleek...”
In het bericht schreef Nirav:
"Uit een onderzoek uit 2025 bleek dat door AI gegenereerde nepbeoordelingen nu niet meer te onderscheiden zijn van echte beoordelingen..."
En meteen dacht ik:
Daar gaan we weer.
Een onderzoek.
Welke studie?
Wie heeft het geschreven?
Waar werd het gepubliceerd?
Wat was de gebruikte methodologie?
Wat was de steekproefomvang?
Wat werd er precies bedoeld met "niet te onderscheiden"?
Dit klinkt waarschijnlijk bekend in de oren van iedereen die mijn 86-daagse avontuur in Nextdoor-onderzoekstransparantie heeft gevolgd
En nu komt het interessante: ik heb het opgezocht en er is wel degelijk aantoonbaar onderzoek dat de bewering van Nirav ondersteunt.
In een artikel in Fortune dat dezelfde dag verscheen, noemde Nirav het specifieker als een onderzoek uit 2025 van de Nottingham University Business School.
Peer-reviewed studies uit 2025 onderzoeken door AI gegenereerde nepbeoordelingen, waaronder een studie in het Journal of Retailing and Consumer Services die 714.016 beoordelingen analyseerde en betekenisvolle taalkundige verschillen vond tussen door AI gegenereerde nepbeoordelingen, door mensen gegenereerde nepbeoordelingen en authentieke beoordelingen.
Mijn kritiek is dus niet:
“Het onderzoek bestaat niet.”
Mijn vraag is:
Waarom citeer je het niet in het oorspronkelijke bericht?
Als je onderzoek gebruikt om je geloofwaardigheid te versterken, geef lezers dan voldoende informatie om het onderzoek zelf te kunnen beoordelen.
Studienaam. Auteurs. Publicatie. Link.
Vier dingen.
Klaar.
Vooral als je CEO bent van een bedrijf dat momenteel het idee promoot dat herkomst ertoe doet.
Dat is bijna te perfect.
Neprecensies zijn niet via ChatGPT binnengekomen
Een ander aspect van deze discussie baart me zorgen.
Kunstmatige intelligentie heeft nepbeoordelingen niet uitgevonden.
Dankzij AI zijn ze sneller, goedkoper en gemakkelijker op grote schaal te produceren.
Mensen manipuleren reputaties al heel, heel lang.
De geschiedenis is eigenlijk best boeiend.
Jaren 1800: Walt Whitman publiceerde anoniem lovende recensies van zijn eigen 'Leaves of Grass'. Dat is in feite de 19e-eeuwse versie van het aanmaken van een nepaccount en jezelf vijf sterren geven.
Begin twintigste eeuw: Kranten hadden al te maken met verzonnen informatie, overdreven beweringen en vervalsers. In 1913 richtte de New York World een Bureau voor Nauwkeurigheid en Eerlijkheid op, mede om klachten te behandelen en "vervalsingen en vervalsers uit te roeien".
Reclame vóór het internettijdperk: bedrijven gebruikten getuigenissen en aanbevelingen als marketinginstrumenten, wat leidde tot hetzelfde fundamentele probleem waar we vandaag de dag nog steeds mee te maken hebben: beveelt deze persoon het product aan omdat hij of zij er oprecht enthousiast over is, of omdat iemand baat heeft bij de aanbeveling?
Het internet in zijn beginjaren: discussieforums, recensiesites en uiteindelijk e-commerce stelden bedrijven en particulieren in staat accounts aan te maken en lof te fabriceren – of concurrenten aan te vallen.
Ironisch genoeg was Nirav zelf in 1999 medeoprichter van Epinions , een van de eerste platforms voor door gebruikers gegenereerde recensies. Hij erkent nu dat de recensie-economie uiteindelijk kwetsbaar werd voor manipulatie.
Jaren 2010: De handel in nep-recensies groeide uit tot een volwaardige industrie. Bedrijven konden positieve recensies kopen, concurrenten konden worden aangevallen met negatieve recensies en recensenten konden onder meerdere identiteiten opereren.
Jaren 2020: Recensiefabrieken werden steeds geavanceerder. Onderzoekers ontdekten gecoördineerde recensenten die in verschillende landen ongerelateerde bedrijven prezen, waarbij identieke recensies soms onder verschillende namen verschenen.
Vandaag de dag: Generatieve AI heeft de economie drastisch veranderd. In plaats van mensen te betalen om handmatig honderden recensies te schrijven, kan iemand snel enorme hoeveelheden overtuigende tekst genereren. Onderzoek toont nu aan dat LLM's misleidende recensies kunnen produceren met vaardigheden op menselijk niveau, hoewel onderzoekers statistisch gezien nog steeds enkele taalkundige verschillen kunnen vaststellen.
Hetzelfde trucje.
Veel betere machines.
En dat brengt me terug bij Nextdoor
Nextdoor beweert momenteel dat een geverifieerde identiteit en verantwoordelijkheid vanuit de buurt de aanbevelingen betrouwbaarder kunnen maken.
Dat is een interessante strategie.
Maar verificatie alleen maakt een mening nog niet waar.
Een echt persoon kan overdrijven.
Een geverifieerd persoon kan een wrok koesteren.
Een echte buur kan het bedrijf van zijn vriend aanbevelen.
Een legitieme klant kan een bonus ontvangen.
Twee geverifieerde buren kunnen totaal verschillende ervaringen hebben met hetzelfde bedrijf.
En zoals ik eerder al heb beschreven, heb ik zelf ook twijfels over hoe robuust het verificatiesysteem van Nextdoor eigenlijk is.
"Geverifieerd" is dus een teken van vertrouwen
Het is geen magisch waarheidsserum.
Is herkomst belangrijk? Daar ben ik het mee eens.
Dat is precies wat Niravs bericht zo interessant maakt.
Zijn bredere argumentatie komt in essentie neer op:
Waar informatie vandaan komt, is belangrijk.
Ik ben het ermee eens.
Volledig.
Daarom zegt de CEO het volgende:
“Uit een onderzoek uit 2025 bleek dat...”
Ik wil de herkomst weten.
Geef de naam van het onderzoek.
Noem de onderzoekers.
Link ernaar.
Laat de lezers het bekijken.
En dat is precies wat ik Nextdoor heb gevraagd met betrekking tot hun eigen onderzoek.
Gedurende 86 dagen.
Nextdoor heeft de Insights-resultaten gepubliceerd.
Nextdoor heeft lezers publiekelijk laten weten dat ze gedetailleerde gegevens kunnen opvragen.
Ik heb erom gevraagd.
Ik heb een e-mail gestuurd.
Ik heb het opgevolgd.
Ik heb de distributie uitgebreid.
Ik heb zaterdag nog een verzoek ingediend.
En ik wacht nog steeds op de twee gedetailleerde onderzoeken.
Dag 86
Gisteren was het Dag van de Arbeid.
Vandaag stel ik de volgende vraag:
Werkt Nextdoor naar behoren?
Omdat ik nog steeds met het werk bezig ben.
Ik wacht tot iemand op Nextdoor de vragen beantwoordt.
In zijn bericht betoogt Nirav dat herkomst ertoe doet.
Daarover zijn we het eens.
Mijn suggestie voor dag 86 is dan:
Oefen het.
Als je onderzoek aanhaalt, laat ons dat onderzoek dan zien.
Als Nextdoor onderzoek publiceert, laat ons dan de methodologie zien.
Als je op je eigen blog lezers vertelt dat ze gedetailleerde gegevens kunnen opvragen, verstrek die gegevens dan ook – of leg uit waarom je dat niet doet.
Want of het nu gaat om een restaurantrecensie, een door AI gegenereerde aanbeveling of een bedrijfsrapport, het principe blijft hetzelfde:
Zeg me niet zomaar dat ik het moet vertrouwen. Geef me voldoende informatie zodat ik zelf kan beslissen of ik het kan vertrouwen.
Volg de doorlopende Nextdoor-casestudy op NielFlamm.com/blog.
